Documente Academic
Documente Profesional
Documente Cultură
PROBABILIDADE
Foz do Iguau
Maro / 2014
Sumrio
2. Probabilidade
2.1 Introduo
20
22
22
24
25
25
26
29
32
33
37
38
40
43
44
46
47
49
50
50
55
56
60
69
70
75
2. Probabilidade
2.1 Introduo
Existem dois tipos de modelos na cincia, o modelo determinstico e o no-determinstico ou
probabilstico.
Os modelos determinsticos so utilizados em certos campos da cincia, como a fsica, a
qumica analtica, ou a hidrulica, onde possvel elaborar modelos matemticos que
estabelecem relaes precisas entre grandezas, devido ao grau de conhecimento relativamente
alto dos fatores envolvidos. Por exemplo, o modelo da lei de Ohn pode ser descrito por
Modelo Determinstico ou Mecanstico Modelo que estabelece uma relao matemtica precisa
entre as variveis envolvidas, devido o grau de conhecimento relativamente alto do sistema sob
estudo
3
A estatstica lida essencialmente com modelos no determinsticos, ou seja, com aquelas
situaes em que os mecanismos do sistema no so to conhecidos e, portanto, a previso de
resultados est envolta com um certo grau de incerteza, a qual quantificada probabilisticamente.
Por exemplo, suponha que um pesquisador deseja saber qual o tempo de carga de um
aplicativo (Y) para cumprir determinada tarefa. No h um modelo determinstico para essa
situao, portanto, o pesquisador vai enumerar todas as possveis variveis explicativas para prver
o tempo de carga. capacidade do processador ( X1), capacidade de memria (X2), capacidade do
HD (X3), etc., Assim, um possvel modelo ser:
4
(4) medio da resistncia ruptura de corpos de prova;
(5) medio da dureza de corpos de prova de ao.
Espao amostral Representado por , o conjunto de todos os resultados possveis de um
experimento aleatrio. Cada resultado de um experimento aleatrio denominado de ponto
amostral.
Exemplos:
= {1, 2, 3, 4, 5, 6}
Os pontos amostrais sero: 1, 2, 3 ,4 ,5 e 6
b) Testar o tempo de vida de uma vlvula eletrnica at queimar. O espao amostral ser:
{x R / x 0}
{x R / 0 x 360kgf }
d) O Espao amostral tambm pode ser representado geometricamente. Suponha que uma
empresa de eletricidade formou uma comisso da qual participavam 5 elementos da distribuio e
4 da transmisso. Representando graficamente todas as possibilidades do nmero de ausentes
teremos:
Exemplo
= {1, 2, 3, 4, 5, 6}
6
O = {5, 5}, P ={5, 6}.
Eventos com trs resultados possveis so
A = {1, 2, 3}, B = {1, 2, 4}, C ={1, 2, 5}, D ={1, 2, 6},
E ={2, 3, 4}, F ={2, 3, 5}, G ={2, 3, 6},
H ={3, 4, 5}, I ={3, 4, 6},
J = {4, 5, 6}.
Eventos com quatro resultados possveis so
A = {1, 2, 3, 4}, B = {1, 2, 3, 5}, C ={1, 2, 3, 6},
E ={2, 3, 4, 5}, F ={2, 3, 4, 6},
H ={3, 4, 5, 6}
1
n
Exemplo:
Suponha que um dado de jogo em perfeito estado lanado e sua face anotada. O
espao amostral
= {1, 2, 3, 4, 5, 6},
assim, a probabilidade de que ocorra qualquer uma das faces ser a mesma.
P(1) = P(2) = P(3) = P(4) = P(5) = P(6) =
1
6
7
Porm, esta teoria apresenta lacunas, uma vez que exige o conhecimento prvio da
entidade fsica referente aos eventos de igual probabilidade. Alm disso, muitas vezes os eventos
de um espao amostral no so igualmente provveis.
nA
n n
P[ A] lim
Exemplo:
Observa-se que durante 100 tentativas de partida sob condies similares, uma
determinada turbina a gs parte com sucesso 98 vezes. Qual a probabilidade desta turbina partir
com sucesso quando necessrio?
Soluo:
Denominemos A como o evento a turbina a gs parte com sucesso. Logo,
P( A)
98
0,98 ou 98%
100
Atualmente, pode-se dizer que a inferncia estatstica (a qual ser estudada em sees
posteriores), apresenta duas escolas de pensamento, a frequentista e a bayesiana. A primeira
est baseada no conceito frequentista de probabilidade. J, a inferncia Bayesiana est
assentada, tambm, em um enfoque subjetivo de probabilidade. Por ela, a formulao de modelos
e sua verificao so feitas atravs da combinao de evidncias experimentais (objetivas) com a
opinio do pesquisador (subjetiva).
Portanto, define-se probabilidade subjetiva como uma medida do grau de confiana de uma
pessoa em relao a uma proposio (O Hagan, 1994). Ela funo da quantidade de
informao disponvel pela pessoa, e possui a restrio de que deve obedecer (assim como as
teorias clssica e frequentista) a critrios de consistncia, ou seja, aos axiomas de probabilidade
os quais sero vistos a seguir.
P( A B) P( A) P( B)
A ltima propriedade pode ser utilizada para uma sequncia finita ou infinita de eventos
mutuamente exclusivos, pertencentes a , ou seja,
P Ai P( Ai )
i 1 i 1
n
P Ai P( Ai )
i 1 i 1
Exemplo de aplicao
Sejam os eventos
a) P(A)
n A 110
0,55 ou 55%
n
200
b) P(A C) P( A) P(C )
n A n C 110 30
0,70 ou 70%
n
n
200 200
c) P(A B C D) P( A) P( B) P(C ) P( D)
n A nB nC nD 110 30
30
30
1 ou 100%
n
n
n
n
200 200 200 200
10
Demonstrao
Exemplo de aplicao
Numa prova valendo 10 pontos, qual a probabilidade de ocorrer de fato alguma nota maior
do que 10?
P(X > 10) = P() = 0
Demonstrao
Considere o seguinte diagrama:
Como A A C
Tem-se P() P( A A ) P( A) P( A )
c
pelo 2o axioma
P() 1 ,
11
logo, 1 P(A) P(A )
c
Exemplo de aplicao
o
(3 ) Se A B , ento P(A) P(B)
Demonstrao
Considere o seguinte Diagrama:
Pode-se escrever B A (A C B)
Ora, A e (A C B) so mutuamente exclusivos.
P(B) P(A) P(AC B)
Logo,
Exemplo de aplicao
12
Suponha que seja feito um sorteio de uma bolsa de estudos de um curso de ingls, entre os
alunos da UNIOESTE de Foz do Iguau. Existem 1402 alunos matriculados no total. Ha 141
alunos no curso de Matemtica, dos quais, 35 so do quarto ano. Qual a probabilidade de ser
sorteado:
a) Um aluno do curso de Matemtica
b) Um aluno do quarto ano do curso de matemtica
Soluo
Os eventos so:
A: O aluno do curso de Matemtica,
B: O aluno do quarto ano de Matemtica,
a) P( A)
nA
141
0,1006 ou 10,06%
n 1402
b) P( B)
nB
35
0,0250 ou 2,50%
n 1402
PA B
PA
PC / A B
Exemplo de aplicao
PA B C
.
PA B
13
O dono de um supermercado resolveu realizar uma promoo, sorteando dois brindes aos
clientes que gastassem pelo menos 50 reais. Verificou-se que 500 clientes atenderam a esse
quesito. Desses, 200 foram do Bairro A, 175 do B e 125 do C. Suponha que o ganhador de um
prmio no pode concorrer aos restantes (amostragem sem reposio).
Soluo
n = 500; nA = 200, nB = 175, nC = 125
Sejam os eventos:
A: O cliente do Bairro A
B: O cliente do Bairro B
C: O cliente do Bairro C
a) Como a amostragem sem reposio
PA A PA.PA / A =
n A n A 1 200 199
.
0,1595
n
n 1
500 499
b) PA B PA.PB / A =
nA nB
n n 1
200 175
.
0,1403
500 499
nA nB
200 175
PA B
. = n n 1 = 500 499 0,3507
c) PB / A
200
nA
PA
500
n
d) PA B C PA PB / A PC / A B
14
=
e) PC / A B
n
nA nB
200 175 125
C =
0,0352
n n 1 n 2
500 499 498
PA B C
PA B
n
nA nB
200 175 125
C
500
499
498 0,2510
n
n
1
n
=
nA nB
200 175
500 499
n n 1
Os eventos so ditos independentes quando a ocorrncia de um deles independe da
ocorrncia do outro. Dessa forma, se A e B so independentes, ento
PA B PA.PB
Para o exemplo anterior, suponha que o ganhador de um prmio possa concorrer aos
restantes, ou seja, seu nome reposto na urna (amostragem com reposio).
a) PA B PA.PB =
nA nB
200 175
.
0,14
=
n n
500 500
15
b) PA B C PA PB PC
nA nB nC
200 175 125
0,035
=
n n n
500 500 500
Exemplo de aplicao
Sexo
Departamento
A
B
C
Total
Masculino
25
15
20
60
Total
Feminino
25
10
5
40
a) Do sexo masculino?
b) Do sexo masculino e do departamento A
c) Do sexo masculino, sabendo que do departamento A
Soluo
Sejam os eventos:
A: o funcionrio do departamento A
B: o funcionrio do departamento B
C: o funcionrio do departamento C
M: o funcionrio do sexo masculino
F: o funcionrio do sexo feminino
a) P( M )
nM
60
0,60 ou 60%
n
100
b) PM A P( M )..P A / M =
n M n( A e M )
60 25
0,25 ou 25%
n
nM
100 60
50
25
25
100
16
P A M
.=
c) PM / A
P A
n( A e M )
n
nA
n
25
25
= 100
0,5 ou 50%
50 50
100
Demonstrao
A (A BC ) (A B) , ento
P(A) = P(A B C ) P(A B) P(A B C ) P(A) P(A B) ( I )
Observa-se que os eventos B A C e A B , tambm so mutuamente exclusivos, e que
B (B A C ) (A B) , assim,
C
C
P(B) = P(B A ) P(A B) P(B A ) P(B) P(A B) ( II )
Os eventos
A BC ,
B AC
AB
A B (A B C ) (A C B) P(A B) , logo,
17
Exemplo de aplicao
No circuito abaixo, a probabilidade de que cada rel esteja fechado de 0,8. Supondo que
cada rel seja aberto ou fechado independentemente um do outro, calcular a probabilidade de que
a corrente passe de A para B.
Sejam os eventos:
R1: o rel 1 est fechado,
R2: o rel 2 est fechado,
R3: o rel 3 est fechado,
R4: o rel 4 est fechado, onde
P(R1) = P(R2) = P(R3) = P(R4) = 0,8
A corrente passa de A para B se estiverem fechados os rels 1 e 2 ou 3 e 4, portanto devese calcular P[( R 1 R 2 ) (R 3 R 4 )] , onde os eventos (R 1 R 2 ) e (R 3 R 4 ) podem ocorrer
simultaneamente (se os quatro rels estiverem fechados), dessa forma tem-se:
(5 ) Teorema de Bayes: Se A1, A2,. . ., An so eventos dois a dois mutuamente exclusivos tais que
18
P(A i / B)
P( A i ) P( B / A i )
P ( A1 ) P ( B / A1 ) P ( A 2 ) P ( B / A 2 ) P ( A n ) P ( B / A n )
ou
P( A i / B)
P( A i ) P(B / A i )
n
P( A i ) P(B / A i )
i1
Demonstrao
Considere o seguinte diagrama da partio de em eventos Ai (i=1,2,3,4,5) e sua interseo com
B.
n
Dessa maneira, ( I ) P(B) P( A i B) .
i 1
Como P(B / A i )
P( A i B)
P( A i )
, ento:
P ( A ) P ( B) .Dessa forma,
P( A
i 1
( II ) P( B)
i 1
i 1
P( Ai B) P( B / Ai ) P( Ai )
B) , ento
P( B / A ) P( A ) .
i 1
19
P( Ai B)
P( Ai) P( B / Ai )
n
P( B)
P( Ai ) P( B / Ai )
P( Ai / B)
i 1
P( Ai / B)
P( Ai ) P( B / Ai )
n
P( A ) P( B / A )
i
i 1
Exemplo de Aplicao
A: a vlvula do tipo A,
B: a vlvula do tipo B,
C: a vlvula do tipo C,
D: a vlvula do tipo D,
E: a vlvula defeituosa.
O evento vlvula defeituosa (E) ocorreu, portanto, a probabilidade de que seja do tipo D
(sendo A, B, C e D mutuamente exclusivos) ser dada por
P( D / E )
onde P( A)
P ( D) P ( E / D)
P( A) P( E / A) P( B) P( E / B) P(C ) P( E / C ) P( D) P( E / D)
1000
500
300
200
0,50 ; P( B)
0,25 ; P(C )
0,15 ; P( D)
0,10
2000
2000
2000
2000
P(E/A) = 1% = 0,01;
P(E/C) = 2% = 0,02;
Portanto,
P( D / E )
0,10 0,002
0,021 ou 2,1%
0,50 0,010 0,25 0,005 0,15 0,020 0,10 0,002
20
03 Uma urna contm 20 bolas das quais 9 brancas, 5 azuis e 6 vermelhas. Duas bolas sero
retiradas sucessivamente da urna, sem reposio. Calcular as seguinte probabilidades
a) de a segunda bola extrada ser vermelha, dado que a primeira vermelha. R:0,2632
b) de serem extradas bolas de cores diferentes: R:0,3395
c) de serem extradas bolas de mesma cor? R:0,3211
04. Sabe-se que na fabricao de um certo artigo, defeitos de um tipo ocorrem probabilidade 0,1 e
defeitos de outro tipo com probabilidade 0,05. Qual ser a probabilidade de que:
a) um artigo no tenha ambos os tipos de defeitos: R: 0,995
b) Um artigo seja defeituoso? R: 0,145
06. Um lote composto de 1000 peas, sendo 95% perfeitas e 5% defeituosas. Duas peas so
extradas aleatoriamente desse lote, sem reposio, qual a probabilidade de que:
a) ambas sejam perfeitas R: 0,90245
b) ambas sejam defeituosas R: 0,00245
c) uma seja defeituosa e a outra seja perfeita? 0,09510
07. No teorema da soma ou das probabilidades totais foi demonstrado que a probabilidade de
ocorrer pelo menos um entre dois eventos A e B, no necessariamente mutuamente exclusivos,
21
igual soma das probabilidades de A e de B, menos a probabilidade de A e B ocorrerem
simultaneamente, ou seja
P( A B) P( A) P(B) P( A B)
Demonstre que a probabilidade de ocorrer pelo menos um entre trs eventos A, B e C, no
necessariamente mutuamente exclusivos, dada por:
08 Nos circuitos abaixo, supondo que cada rel funcione independentemente um do outro, sendo
95% a probabilidade de que um rel qualquer esteja fechado, calcular a probabilidade de que
corrente a corrente passe de A para B.
R: 0,999875
R: 0,999756
09 Numa fbrica existem 100 mquinas. Algumas dessas so novas (N) e outras velhas (V),
algumas so da firma A e outras so da firma B conforme a tabela abaixo
Estado
Nova (N)
Velha (V)
Total
Firma
A
35
25
60
Total
B
30
10
40
65
35
100
22
b) Qual a probabilidade dela ser velha sendo que da firma B? Resposta:0,25 ou 25%
10. Certa indstria, possui cinco mquinas: A, B, C, D e E, as quais produzem os mesmos tipos de
peas, que sero utilizadas na montagem de equipamentos eltricos. Sabe-se que a produo
diria da mquina A o dobro da produo diria da mquina D, que as produes das mquinas
B e C so iguais e que a mquina E produz 20 peas a mais que a mquina A. De acordo com o
setor de controle de qualidade dessa indstria, so defeituosas, respectivamente, 1%, 2%, 5%, 1%
e 3% das peas produzidas pelas mquinas A, B, C, D e E. Uma pea foi tomada aleatoriamente e
verificou-se que ela defeituosa. Utilizando o teorema de Bayes, calcular a probabilidade de que
essa pea tenha sido fabricada pela mquina E, sabendo que as mquinas A e B produzem,
respectivamente, 200 e 150 peas. R: 0,3284
23
X() : R
Geometricamente, tem-se:
em que:
e: um evento qualquer de ;
o espao amostral
X: uma funo (aqui denominada inadequadamente de varivel aleatria);
X(e): um nmero real associado ao evento e de ;
Rx: o contradomnio ou conjunto dos possveis valores de X.
Meyer (1983) aponta a fraqueza dessa terminologia, uma vez que se chama varivel a
uma funo. Alm disso, o termo aleatrio tambm no apropriado, uma vez que o acaso no
est evidente na sua definio. Entretanto, devido o seu uso generalizado, tambm ser adotada
aqui.
Exemplo
Imagine que duas peas esto para ser coletados de um lote. Sejam os eventos, D: pea
defeituosa e P: pea perfeita. Logo o espao amostral ser:
= {PP; DP; PD, DD}
Seja varivel aleatria X que expressa o nmero de peas defeituosas. Ento, o contradomnio
ser:
RX = {0, 1, 2}
Geometricamente ter-se-:
24
Exemplos
Rx = {0, 1, 2, . . .}
3) Seja X a varivel que representa o nmero de molculas em uma amostra de gs. O
contradomnio ser infinito e enumervel, ou seja,
Rx = {1, 2, . . .}
4) Seja X a varivel que representa o nmero de usurios de uma rede de computadores em certo
perodo do dia. O contradomnio ser infinito e enumervel, ou seja,
Rx = {0, 1, 2, . . .}
25
R x {x R / 0 X 500}
b)Tempo de durao em horas de um dispositivo eletrnico
R x {x R / x 0}
Outros exemplos de variveis aleatrias contnuas podem ser citados, tais como: resistncia
trao de cabos, dimetro de tubos, etc.
ii
P(X xi) 1 .
i 1
26
= {DD; DP; PD, PP}
e o contradomnio.
RX = {0, 1, 2}
1
0,25
4
2
0,50
4
1
0,25
4
Confirmando a propriedade ii
Graficamente tem-se:
27
i) f(x) 0, para qualquer valor de x.
ii)
f (x)dx 1
A propriedade (ii) indica que a rea total limitada pela curva que representa a funo f(x) e
o eixo das abscissas igual a 1
Seja o intervalo [a,b] RX. Ento a probabilidade da varivel aleatria contnua X assumir
algum valor dentro desse intervalo ser dado por:
que pode representar, por exemplo, a rea escura sob a curva no grfico a seguir:
x0
P [ X x0 ]
f ( x)dx 0
x0
Devido probabilidade de uma varivel aleatria contnua ser nula num ponto, tem-se que
28
(1) Seja uma varivel aleatria contnua, cuja fdp dada por:
Calcular:
a) P(3 X 4);
b) P(X > 5);
c) P(2 X 6);
d) Representar graficamente a fdp.
Soluo
a)
x
1 x2
1
9 1 7
7
P(3 X 4)
dx 8 .
0,219
16
16 2
16
2 16 2 32
3
3
b)
x
1 x2
1
25 1 11 11
P(X 5)
dx 18 .
0,344
16
16 2
16
2 16 2
32
5
5
c)
x
1 x2
1
P(2 X 6)
dx 18 2 1
16
16 2
16
29
Portanto, observa-se atravs deste exemplo que, no caso de variveis aleatrias
contnuas unidimensionais, o clculo de probabilidades refere-se ao clculo de reas.
(2) Seja X uma varivel aleatria contnua, cuja fdp dada por:
f(x) = k, 2 X 5 (k cons tan te)
= 0, para quais quer outros valores
a) Determinar o valor de k
b) Representar graficamente a fdp
a) Sabe-se que
f (x)dx 1 a uma das condies para que f(x) seja uma fdp, a outra f(x) 0.
Logo,
5
kdx 1 kx
2
1 k[5 2] 1 k
1
3
b) Grfico
30
ii) lim F( x ) 0
x
iii) lim F( x ) 1
x
F[xk ] P[X xk ]
P[xi ]
i1
F( x ) P(X x )
f (z)dz
Exemplos:
0,28
0,20
0,12
0,06
0,02
Proporo
0,32
F[ x 4 ] P[ X x 4 ] P[ X xi ] P[ X x1] P[ X x 2 ] P[ X x3 ] P[ X x 4 ]
i1
31
X
F(X)
0,32
0,60
0,80
0,92
0,98
1,00
Graficamente tem-se:
Exemplo:
( 2 ) Seja a varivel aleatria contnua X, referente ao tempo de vida til (em horas) de aspersores
de uma determinada marca, cuja funo densidade dada por:
0,02e 0,02 x , x 0
f (x)
0, x 0
Assim, por exemplo, a probabilidade de que um aspersor dessa marca, tomado ao acaso,
dure pelo menos 100 horas, dada por:
F( x ) P(X x )
f (z)dz
F (100) P( X 100)
Propriedade
100
0dz 0,02 e
e kx
e
dx
a
k
b
100
0 , 02 Z
dz 0 0,02 e 0,02z dz
0
kx
100
e 0,02z
0,02
0,02
0
32
Resumidamente tm-se os seguintes resultados de F(X):
X
1
10
20
30
40
50
F(X) 0,0198 0,1813 0,3297 0,4512 0,5507 0,6321
X
100
150
200
300
400
F(X) 0,8647 0,9502 0,9816 0,9975 0,9996
questes com frequncia. Por exemplo, em geral deseja-se saber o valor mdio que a varivel
assume. Em outras palavras, se infinitas realizaes da varivel fossem observadas, qual seria a
mdia.? Devido a isto, importante a utilizao da esperana matemtica, expectncia, valor
esperado, ou mdia de uma varivel aleatria. Para uma varivel aleatria discreta a esperana
matemtica dada por:
E(X)
x i p[X x i ]
i1
33
Transformadores
defeituosos
E(X) 0 0,32 1 0,28 2 0,20 3 0,12 4 0,06 5 0,02 1,38
E(X)
x f (x) dx
No exemplo do tempo de vida de aspersores de uma marca, se forem observados infinitos deles, o
tempo mdio de vida corresponder a:
-0,002x
de integrais.
Assim, para
logo,
E( X) 0,02
2
0,022
1!
50 horas
0,02
E(k )
i1
k P( x i ) k
P(x i ) k 1 k
i1
34
Demonstrao:
E(k X)
k x iP( x i ) k
i1
x i P(x i ) k E( X)
i1
E( X Y )
( x i y i ) p( x i , y j )
i1 j1
xi
i1
j1
x i p( x i , y j )
i1 j1
p( x i , y j )
yj
j1
p( x i , y j )
i1
y j p(x i , y j )
i1 j1
x i p( x i )
i1
y jP(y j ) E( X) E(Y)
j1
Demonstrao:
E(X k ) E( X) E(k ) E( X) k
Demonstrao:
E( X Y )
x i y ip( x i , y j )
i1 j1
i1
x i y ip(x i ), p( y j )
i1 j1
x i p( x i )
y j p(y j ) E( X) E(Y)
j1
35
As observaes de uma determinada varivel aleatria podem se concentrar em torno do
valor mdio, ou estar mais dispersas. A resposta a essa questo pode ser dada pela varincia de
uma varivel aleatria, a qual dada por:
2
E(X 2 )
x i2 p[X X i ]
i1
(transformadores defeituosos)2
DP(X) =
A seguir ser calculada a varincia para o exemplo do tempo de vida de aspersores de uma
marca.
2
E( X )
Assim,
f ( X)dx
36
como a funo f(x) = x 2 e-0,002x da famlia exponencial pode-se aplicar a seguinte propriedade de
integrais.
Assim, para
logo,
E( X) 0,02
3
3
0,02
2!
0,022
5000horas
DP(X) =
2500 50 horas
37
1000
, se x 1000
f ( x) x 2
0, x 1000
Determinar: a) a funo de distribuio acumulada; R: para X <1000 e 1 100/x para x 1000
b) a probabilidade de que o tempo de vida de um componente eletrnico tomado ao
acaso esteja entre 1700 e 1800 horas. R: 0,0327
c) O tempo mdio (esperana) de vida. No definido
02. Em uma indstria, verificou-se que o nmero de vezes (X) por semana, que um tcnico
solicitado para regular certos equipamentos, tem distribuio de probabilidade dada por:
xi
P(xi)
0,75
0,15
0,05
0,03
0,02
03. Considere o comprimento X dos parafusos produzidos por certa companhia como uma varivel
aleatria contnua, tendo fdp
cx (1 x), 0 x 1
f ( x)
0, para quaisquer outros valores
a) Determine a constante c.R: 6
b) Represente graficamente a fdp.
c) Determine a funo de distribuio acumulada de X.
R: F(x) = 0 para x < 0, 3x2 2x3 para 0 x 1 e 1 para x > 1
d) Calcular E(X) e V(X) R: 0,5 e 0,05
04. A espessura (em mm) das chapas produzidas por certa siderrgica,
38
tem fdp dada por
0 se x 1,
( x 1) / 3 se 1 x 2,
f ( x) 1 / 3 se 2 x 4,
(5 x) / 3 se 4 x 5,
0 se x 5.
a) Representar graficamente a fdp.
b) Determinar a funo de distribuio acumulada e representa-la graficamente.
R: F(x) = 0 para x < 1, (1/6).(x2 2x + 1) para 1 x 2, (1/6).(2x-3) para 2 < x < 4,
(1/6).(-x + 10x 19) para 4 x 5 e 1 para X > 5
2
c) Calcular a probabilidade de uma chapa qualquer ter espessura superior a 2,5 mm. R: 2/3
d) Calcular a espessura mdia (esperana).
p, se x 1
f(x;p) P(X x) 1 p, se x 0
0 em outros casos
usual denotar (1-p) pela letra q. Outra maneira de representar esta funo :
39
f(x,p) P(X x) px (1 p)1 x I{0, 1}(x) pxq1 x I{0, 1}(x)
Exemplo:
Numa fbrica, a probabilidade de que uma pea seja perfeita 0,95. Qual a probabilidade
de que um pea escolhida aleatoriamente da linha de produo seja defeituosa?
Soluo:
O evento de sucesso pea defeituosa , ento, para este atribui-se o valor X = 1. A
probabilidade de insucesso (pea perfeita) 1 p = 0,95, logo, a probabilidade de sucesso (pea
defeituosa) ser p = 0,5. Assim, a probabilidade de que uma pea escolhida ao acaso seja
defeituosa ser:
f(x,p) P(X 1) px (1 p)1x 0,05 0,950 0,05
E(X) = p
V(X) = pq
Demonstrao
E(X)
x p[ X x] 0 (p 1) 1 p E(X) p
x 0
E(X 2 )
i1
xi2p[ X xi ]
xi2 p[ X xi ] 02 (p 1) 12 p E(X 2 ) p
i1
A esperana de X, p, no deve ser interpretada como uma probabilidade, mas sim, um valor
numrico mdio, fracionrio (frequncia relativa mdia), que a varivel assume. Ou seja, se
infinitas realizaes so observadas, o nmero mdio de X corresponder a p.
40
Exemplo:
02. Uma urna contm 15 bolas brancas e 25 vermelhas. Uma bola retirada da urna e a varvel X
representa o nmero de bolas brancas obtidas. Calcule a mdia e o desvio padro de X.
Resposta. E(X) = 0,375) e DP(X) = 0,484
03. Um caixa contm 12 canetas das quais 5 so defeituosas. Uma caneta selecionada ao
acaso e a varivel X representa o nmero de canetas defeituosas obtidas. Calcule a mdia e o
desvio padro de X. Resposta. E(X) = 0,4167 e DP(X) = 0,4930
04. Um lote contm 50peas boas e 5 defeituosas. Uma pea selecionada deste lote e a varivel
X representa o nmero de peas defeituosas obtidas. Calcule a mdia e o desvio padro de X.
Resposta. E(X) = 0,0909 e DP(X) = 0,2875
41
aluno seja reprovado em Matemtica. Neste caso, a observao de um aluno corresponde a um
ensaio de Bernoulli.
Se a cada ensaio corresponde uma distribuio com mesmo parmetro p, a observao
conjunta de vrios desses ensaios corresponde a uma distribuio binomial, discutida a seguir:
Suponha, agora, que n alunos so observados com relao a ter sido reprovado em Matemtica,
e sendo que a probabilidade de um aluno qualquer ter sido reprovado igual a p, ento pode-se
definir uma varivel aleatria associada ao nmero de alunos reprovados (X = 1, 2, 3, . . ., n). Tal
varivel aleatria apresenta distribuio de probabilidade, com parmetros n e p, a qual obtida
pela expanso do binmio de Newton (p + q)n, o qual justifica a denominao da distribuio
binomial, cuja funo de probabilidade dada por
f (n, x, p) P( X x) C nx p x (1 p) n x C nx p x q n x I {0,1,...,n} ( x) .
Na realidade, como a cada aluno est associada uma distribuio de Bernoulli, ento a soma das
realizaes dessas variveis corresponde exatamente ao nmero de sucessos. Por isso,
Demonstrao
i 1
n
n
E( Xi ) np
E( X) E Xi
i 1 i 1
E( X 2 ) E
i 1
Xi2
EXi2 np
n
i 1
42
n
n
n
n
V( X ) V X i
V( x i ) E( Xi2 ) [E( Xi )]2 (p p 2 ) np(1 p) npq
i 1
i 1
i 1 i 1
Exemplos
( 1 ) Suponha que 5 geradores idnticos de uma usina hidreltrica, com 100 MVA cada, tem uma
probabilidade de 0,98 de estar em operao. Qual probabilidade de um deles no estar em
operao.
Soluo:
p = 0,98
f (n, , x, p) P( X x) C nx p x (1 p) n x C nx p x q n x I {0,1,...,n} ( x)
7
f (5; 4; 0,98) P( X 4) C 45
0,98 4 (1 0,98) 54 5 0,9236 0,02 0,09223 ou 9,223%
f (n, x, p) P( X x) C nx p x (1 p) n x C nx p x q n x
7
f (40; 7; 0,25) P( X 7) C 40
0,25 7 (1 0,25) 407 0,0857 ou 8,57%
( 3 ) Sabe-se que 5% dos parafusos fabricados por uma indstria so defeituosos. Em um lote de
10 parafusos, qual a probabilidade de:
43
b) P(X< 2 ) = P(X= 0 ) + P(X=1) =
c) P( X 3) 1 P( X 3) 1 [P( X 0) P( X 1) P( X 2)]
02 Uma empresa produz 10% de peas defeituosas. As peas so embaladas em caixas que
contm 12 peas. Calcule a probabilidade de um cliente comparar uma caixa contendo
a) Nenhuma pea defeituosa. Resposta: 0,2824 ou 28,24 %
b) uma pea defeituosa. Resposta: 0,3766 ou 37,66 %
03 Uma amostra de 25 peas retirada, com reposio de um lote que contm 10% de peas
defeituosas. Calcule a probabilidade de que
a) O lote no contenha peas defeituosas. Resposta: 0,0718
b) O lote contenha exatamente trs peas defeituosas. Resposta: 0,2265
c) O lote contenha pelo menos uma pea defeituosa. Resposta: 0,9282
d) O lote contenha entre trs e seis peas defeituosas. Resposta: 0,2030
e) O lote contenha de trs a seis defeituosas. Resposta: 0,4537
f) Calcule o valor esperado e o desvio padro. Resposta: E(X) = 2,5 DP(X) = 1,5
44
04. Umm levantamento efetuado em um prego da bolsa de valores mostrou que naquele dia,
40% das empresas tiveram aumento do valor de suas aes, enquanto que as aes das
empresas restantes ficaram estveis ou perderam valor. Um fundo negocia com aes de 1
dessas empresas. Calcule a probabilidade de que nesse dia:
a) todas as aes tenham se valorizado. Reposta: 0,01%
b) No mximo as aes de duas empresas tenham se valorizado. Reposta: 1,23%
05. Uma indstria de computadores suspeita que 3% de um determinado tipo de pea que ela
produz, so defeituosos. Se tal suspeita correta, determine a probabilidade de que, numa
amostra de quatro peas, sejam encontradas:
a) no mnimo duas defeituosas. Reposta: 0,52%
b) duas peas boas ou menos. Reposta: 0,33%
06. Uma empresa distribuidora costuma falhar em suas entregas de mercadorias, 15% das vezes,
por atraso de entrega, ou por mercadoria fora da especificao, ou por danos, etc., causando
reclamaes por parte dos clientes.. Calcule a probabilidade de:
a) No ocorrer reclamaes em dez entregas de hoje. Resposta: 19,69%
b) ocorrer pelo menos uma reclamao nas quatro entregas de hoje. Resposta: 47,80%
c) ocorrer no mximo uma reclamao nas dez entregas de hoje. Resposta: 54,43%
07. Um produto eletrnico contm 40 circuitos integrados. A probabilidade de que qualquer circuito
seja defeituoso de 0,01. Os circuitos integrados so independentes e o produto opera apenas se
no houver circuitos integrados defeituosos. Qual a probabilidade de que o produto opere?
Resposta: 66,89%
f ( x, ) P(X x)
x e
I{0,1,...,} ( x )
x!
45
Como fizemos n , ento p 0 , para que o produto = np seja constante. Portanto, a
distribuio de Poisson aplicvel no estudo eventos raros, ou seja, com baixa probabilidade p
de ocorrncia.
A distribuio de Poisson pode ser utilizada no lugar da distribuio binomial, com um grau
de aproximao muito bom, desde que n seja grande e p seja pequeno. Na prtica,
aproximao geralmente usada para n 50 e np <5.
A esperana e a varincia da distribuio de Poisson so iguais, ou seja,
E (X) = V(X) = np
Demonstrao
E(X)
x 0
x 0
x p[ X x]
x
x e
x e
e
x
x!
x (x - 1)!
( x - 1)!
x 0
x 1
Observao: se s = x 1 x = s + 1 e se x = 1 s = 0, logo,
E( X)
s 1e
s!
s0
s e
s!
s
np
E(X 2 )
x 2 p[ X x]
x2
x 0
x 0
x e
x!
xx
x 1
x e
x ( x - 1)!
x 1
Observao: se s = x 1 x = s + 1 e se x = 1 s = 0, logo,
E( X 2 )
(s 1) s 1e
s!
s 0
(s 1) s e
s0
s!
e
2
E( X 2 )
E(S)
s
!
s
!
s0
s
2
2
V(X) = E(X ) [E(X)] = 2 2 np
x e
( x - 1)!
essa
46
Exemplos:
a) P(Y 0)
0,4 0 e 0, 4
0,6703
0!
0,4 0 e 0, 4 0,41 e 0, 4
P( X 3) P( X 0) P( X 1) P( X 2)
20 e2 21e2 22 e2
10
= 0,0201.
47
a) permitida a utilizao da distribuio de Poisson para calcular probabilidades neste exemplo,
com uma boa aproximao da distribuio da distribuio binomial? Justifique a sua resposta.
b) Qual a probabilidade de ocorrerem 8 peas defeituosas? Calucle pela distribuiode Poisson
e pela distribuio binomial. Reposta: pela Poisson (0,000004), pela binomial (0,000003)
02 Supondo que o nmero de carros que chegam fila de um guich de pedgio tem distribuio
de Poisson com mdia de trs carros por minuto, Calcule a probabilidade de que cheguem cinco
carros nos prximos dois minutos. Resposta: 0,1606 ou 16,06%
03 Uma Cia de seguros realiza seguros para 100 carros de uma grande empresa de So Paulo. O
percentual de carros roubados no ano passado, em So Paulo, foi de 3,5%. Qual a
probabilidade de, no ano passado, desta Cia, ter ocorrido roubo de:
a) nenhum carro? Resposta: 0,0302
b) um carro? ? Resposta: 0,1057
c) No mximo dois carros? Resposta:0,3209
48
P( X x)
C C
C Nn
x
r
n x
N r
E(X) = np e V ( X ) np (1 p)
( N n)
( N 1)
( 1 ) Uma lmpada compra lmpadas por centenas. Examina sempre uma amostra de 15
lmpadas para verificar se esto boas. Se uma centena inclui 12 lmpadas queimadas, qual a
probabilidade de se escolher
Soluo
N = 100, r = 12, n =15
a) P( X x)
150
C rx C Nnxr
C120 C100
12
P
(
X
0
)
0,1253
C Nn
C Nn
49
V ( X ) np (1 p)
( N n)
(100 15)
15 0,12 (1 0,12)
1,36 (Lmpadas queimadas)2
( N 1)
(100 1)
Soluo
N = 50, n = 5, r =6
P( X x)
C rx C Nn xr
C Nn
P( X 1) 1 P( X 1) 1 P( X 0) 1
5 0
C 60 C50
6
1 0,5126 0,4874
5
C50
02. Num lote de 10 misseis, so lanados quatro escolhidos aleatoriamente. Se o lote contm trs
que no funcionam, qual a probabilidade de que
a) todos os quatro funcionem? Resposta: 0,1667
b) NO mximo dois funcionem? Resposta: 0,9667
50
03. Numa urna h 40 bolas brancas e 60 pretas. So retiradas 20 bolas sem reposio. Qual a
probabilidade de que ocorram no mnimo duas bolas brancas? Resposta: 0,9998
04. Uma fbrica de motores para mquinas de lavar roupas separa para inspeo, uma amostra
de 30 itens da sua linha de produo diria de 350 peas. 14 o nmero de peas por dia. Qual
a probabilidade de que a amostra contenha pelo menos 3 motores defeituosos? Resposta: 0,1085
e x se x 0
f ( x)
0 se x 0
51
x
F(x) =
f ( z )dz e z dz
e z
1 e x
0
Logo,
1 e x se x 0
F( x )
0 se x 0
Uma funo de interesse em estudos de confiabilidade a funo de falha h(x), calculada por
h( t )
f (x)
1 F( x )
H( x )
1 (1 e x )
Essa caracterstica de taxa de falha constante faz com que a distribuio exponencial
seja largamente empregada nos estudos de confiabilidade de sistemas de potncia.
O valor mdio ou esperana e a varincia de X so dados, respectivamente, por:
E( X)
V( X )
1
2
Demonstrao
E( X)
xf ( x )dx
x e x dx
0 xe
dx
Logo, para
E( X)
0 xe
dx
52
tem-se m = 1, a = e n = 1
E( X 2 )
f ( x )dx
0 x
e x dx
2 x
0 x
dx
tem-se m = 2, a = e n = 1
2
1
2
1
1
V( X)
3
3
2
3
3
Exemplos
a) exceder a 6 minutos?
b) estar entre 2 e 3 minutos?
c) Qual o tempo mdio e a varincia at a prxima conexo.
Soluo:
a) = 25 conexes por hora, ento 6/60 = 0,1 hora
53
1 e x se x 0
F( x )
0 se x 0
Logo,
-(0,1).25
) = e-(0,1).25 = 0,0821
-(0,033).25
+e
-(0,033).25
(1 e
c)
E( X )
1
0,04h ou 2,4 min
25
Intepretao: significa que, se nessa rede de computadores forem medidos vrios tempos,
entre vrias conexes consecutivas, o tempo mdio ser de 0,04h ou 2,4 min.
V (X )
1
0,0016h 2
2
25
( 2 ) A vida til de tubos de TV segue a distribuio exponencial com mdia de 800horas de uso
contnuo. Qual a probabilidade de que a fbrica tenha que substituir um tubo gratuitamente, se
oferece uma garantia de 300 horas de uso?
Soluo
P(X 300) = ?
E( X )
800
1
0,00125
800
54
A funo de distribuio acumulada da distribuio exponencial dada por
1 e x se x 0
F( x )
0 se x 0
Logo,
-0,00125. 300
= 0,31127.
( 3 ) A taxa de sada observada de determinada linha de transmisso (LT) de 1,2 sadas por 100
km de linha por ano. Se a linha possui 200 km de comprimento, qual a probabilidade de que essa
LT no opere nas prximas 24 horas?
Soluo:
A taxa de sada de 1,2 sadas a cada 100 km por ano. Ento, em 200 km a taxa ser
1,2 2 = 2,4 sadas/ano
Se cada dia tem 24 horas e cada ano tem 365 dias, o ano ter 24*365 = 8760 horas.
Dessa forma, a taxa de sada ser
sadas/hora
F( x )
0 se x 0
Logo,
-(0,00027397).24
= 1 0,99345154 = 0,00654846
55
Logo, a probabilidade de que a linha de transmisso no opere nas prximas 24 horas, de
0,00654846 ou 0,6%. Ento, corre-se um risco baixo de falta de energia.
04 Um rob completa uma operao de soldagem em um automvel, com uma taxa mdia de 12
soldagens por hora. O tempo para completar uma operao de soldagem definido a partir do
momento do incio do procedimento de soldagem at o incio do prximo procedimento. A varivel
aleatria X representa o tempo para completar uma operao de soldagem. Qual a
probabilidade de que uma operao completa de soldagem requeira:
a) mais de 6 minutos? Resposta: 0,3012
56
b) 8 minutos ou menos? Resposta: 0,7981
05 O tempo entre as chamadas para uma loja de suprimento de encanamentos tem uma mdia de
15 minutos. Qual a probabilidade de que a prxima chamada chegue:
a) dentro de 5 minutos? Resposta: 0,2835
b) dentro de 10 minutos? Resposta: 0,4866
c) entre 5 e de 10 minutos? Resposta: 0,2031
f (x)
1
2
1 x
e 2
,
em que:
= 3,1416...
e so, respectivamente, a mdia e a varincia populacionais da varivel aleatria X.
57
Para ilustrar a ideia, imagine-se, de um ponto de vista estritamente terico, que seja possvel
conhecer todos os elementos de uma populao infinita. Alm disso, uma varivel aleatria
contnua utilizada para descrever os elementos da populao. Conhecendo-se todos os
elementos da populao, um histograma poderia ser construdo para representar a distribuio de
frequncia relativa dessa varivel (Figura 4.1).
Figura 4.1 Histograma hipottico referente a uma populao infinita, utilizando 15 classes.
Ligando os pontos mdios superiores dos retngulos desse histograma por linhas, o
polgono de frequncias fica
Figura 4.2 Polgono de frequncias hipottico referente a uma populao infinita, utilizando 15
classes.
Imagine agora que, a partir desses mesmos infinitos elementos, uma nova distribuio de
frequncia relativa utilizada, aumentanto o nmero de classes, e diminuindo a amplitude de cada
uma ( Figura 2.2)
58
Figura 2.2 Histograma hipottico referente a uma populao infinita, utilizando 25 classes.
Como so infinitos elementos, cada uma das classes nunca ficam vazias. Prosseguindo nessa
tendncia, ou seja, fazendo o nmero de classes tender ao infinito, e suas amplitudes tender a
zero, ser obtido, pela unio dos pontos mdios das classes, um polgono de frequncias
correspondente a uma curva (Figura 2.3)
Figura 2.3. Polgono de frequncia relativo a uma populao infinita, utilizando infinitas classes.
Este tipo de enfoque motivou os estatsticos, desde o sculo XVIII, a desenvolver modelos
(ou seja, funes), entre eles a distribuio normal, para descrever populaes infinitas, que
relacionam os valores de uma varivel aleatria contnua com suas correspondentes densidades
de frequncia relativa.
Como em populaes infinitas as frequncias relativas so chamadas de probabilidades, ento, da
mesma forma fala-se em densidade de probabilidade. Em vista disso, a funo f(x) da Figura 4.4
acima, chamada de funo densidade de probabilidade, ou simplesmente, funo densidade.
A aparncia do grfico da funo densidade de uma v.a. X normalmente distribuda est
representada na Figura 4.5:
59
De maneira anloga ao que foi visto nos histogramas, a obteno de frequncias relativas
(ou seja, de probabilidades) feita utilizando o clculo de reas em grficos da funo densidade
de probabilidade.
A distribuio normal tambm conhecida por curva normal ou curva de Gauss, e possui as
seguintes propriedades:
1) Ela simtrica em relao a x = ;
2) Possui a forma campanular ou forma de sino;
3) As medidas de posio, ou seja, a mdia, a mediana e a moda confundem-se no
mesmo ponto, e so todas iguais a .
4) definida simplesmente a partir dos parmetros e 2;
5) Possui dois pontos de inflexo (mudana de concavidade da curva) correspondentes
aos pontos x - e x + ;
6) Assinttica em relao ao eixo das abscissas, ou seja, ela nunca intercepta o eixo dos
X;
7) A rea total sob a curva, como em qualquer funo densidade de probabilidade, igual
a 1.
60
1
a 2
1 x 2
e 2 dx
No caso da distribuio normal, essa integral no tem soluo explcita, e por isso
necessrio fazer uso de um procedimento alternativo, a chamada distribuio normal reduzida,
como ser visto no prximo tpico.
Diz-se, ento, que Z uma varivel aleatria que segue a distribuio normal com mdia
= 0 e varincia = 1, ou seja, Z N (0, 1).
2
1
z2
1
f ( z)
e 2
,
2
Z ,
1
z2
1
f ( z)
e 2
,
2
61
A probabilidade de que varivel aleatria X assuma valores dentro de um intervalo ou classe
[a, b] coincide com a probabilidade da varivel aleatria Z estar contida em um intervalo ou classe
[c, d]. Dessa forma,
1
z2
1
P[a < X < b] = P [c < Z < d] = f (z) dz
e 2 dz
2
c
c
d
Essa integral tem soluo explcita no intervalo [c, d], para vrios valores de c e d. Usando
mtodos de integrao numrica, obtiveram-se alguns valores tabelados da distribuio normal
padronizada ou reduzida.
A Tabela 2.1 d valores de probabilidades de que a varivel padronizada Z assuma valores
no intervalo [-zc, 0] ou [0, zc], ou seja, P(-zc < Z < 0) ou P(0 < Z < zc).
J, a Tabela 2.2, d as probabilidades de que a varivel padronizada Z assuma valores
maiores do que o valor crtico zc, ou seja, P( Z > zc), ou a probabilidade de Z assumir valores
menores do que o valor crtico - Zc, isto , P( Z < - zc).
A seguir sero apresentadas as tabelas 4.1 e 4.2 e respectivas reas sob a curva normal
que os valores das probabilidades destas tabelas representam. Essas tabelas que fornecem
apenas os valores positivos de Z (primeira coluna da esquerda para a direita). O maior valor (0,5),
da 4.1, por exemplo, e representa a rea escura ou a rea clara sob acurva da figura a seguir
62
Tabela 2.1 - Distribuio normal - probabilidade de o valor de Z padronizado estar entre 0 e o valor
tabulado nas margens
Z
0
1
2
3
4
5
6
7
8
9
0,0 0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0,1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,3 0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0,4 0,1554 0,1591 0,1628 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
0,5 0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0,6 0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0,7 0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,8 0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
0,9 0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389
1,0 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
1,2 0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
1,3 0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
1,4 0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
1,5 0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
1,7 0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1,8 0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
1,9 0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767
2,0 0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
2,1 0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857
2,2 0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890
2,3 0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916
2,4 0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936
2,5 0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952
2,6 0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964
2,7 0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974
2,8 0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981
2,9 0,4981 0,4982 0,4982 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986
3,0 0,4987 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,4990 0,4990
3,1 0,4990 0,4991 0,4991 0,4991 0,4992 0,4992 0,4992 0,4992 0,4993 0,4993
3,2 0,4993 0,4993 0,4994 0,4994 0,4994 0,4994 0,4994 0,4995 0,4995 0,4995
3,3 0,4995 0,4995 0,4995 0,4996 0,4996 0,4996 0,4996 0,4996 0,4996 0,4997
3,4 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4997 0,4998
3,5 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998 0,4998
3,6 0,4998 0,4998 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,7 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,8 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999 0,4999
3,9 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0,5000 0.5000 0.5000 0.5000
63
Tabela 2.2 - Distribuio normal - probabilidade do valor de Z padronizado ser maior que o valor
tabulado nas margens (Zc), ou probabilidade do valor Z ser menor que os valores negativos das
margens (-Zc).
Z
0
1
2
3
4
5
6
7
8
9
0,0 0,5000 0,4960 0,4920 0,4880 0,4840 0,4801 0,4761 0,4721 0,4681 0,4641
0,1 0,4602 0,4562 0,4522 0,4483 0,4443 0,4404 0,4364 0,4325 0,4286 0,4247
0,2 0,4207 0,4168 0,4129 0,4090 0,4052 0,4013 0,3974 0,3936 0,3897 0,3859
0,3 0,3821 0,3783 0,3745 0,3707 0,3669 0,3632 0,3594 0,3557 0,3520 0,3483
0,4 0,3446 0,3409 0,3372 0,3336 0,3300 0,3264 0,3228 0,3192 0,3156 0,3121
0,5 0,3085 0,3050 0,3015 0,2981 0,2946 0,2912 0,2877 0,2843 0,2810 0,2776
0,6 0,2743 0,2709 0,2676 0,2643 0,2611 0,2578 0,2546 0,2514 0,2483 0,2451
0,7 0,2420 0,2389 0,2358 0,2327 0,2296 0,2266 0,2236 0,2206 0,2177 0,2148
0,8 0,2119 0,2090 0,2061 0,2033 0,2005 0,1977 0,1949 0,1922 0,1894 0,1867
0,9 0,1841 0,1814 0,1788 0,1762 0,1736 0,1711 0,1685 0,1660 0,1635 0,1611
1,0 0,1587 0,1562 0,1539 0,1515 0,1492 0,1469 0,1446 0,1423 0,1401 0,1379
1,1 0,1357 0,1335 0,1314 0,1292 0,1271 0,1251 0,1230 0,1210 0,1190 0,1170
1,2 0,1151 0,1131 0,1112 0,1093 0,1075 0,1056 0,1038 0,1020 0,1003 0,0985
1,3 0,0968 0,0951 0,0934 0,0918 0,0901 0,0885 0,0869 0,0853 0,0838 0,0823
1,4 0,0808 0,0793 0,0778 0,0764 0,0749 0,0735 0,0721 0,0708 0,0694 0,0681
1,5 0,0668 0,0655 0,0643 0,0630 0,0618 0,0606 0,0594 0,0582 0,0571 0,0559
1,6 0,0548 0,0537 0,0526 0,0516 0,0505 0,0495 0,0485 0,0475 0,0465 0,0455
1,7 0,0446 0,0436 0,0427 0,0418 0,0409 0,0401 0,0392 0,0384 0,0375 0,0367
1,8 0,0359 0,0351 0,0344 0,0336 0,0329 0,0322 0,0314 0,0307 0,0301 0,0294
1,9 0,0287 0,0281 0,0274 0,0268 0,0262 0,0256 0,0250 0,0244 0,0239 0,0233
2,0 0,0228 0,0222 0,0217 0,0212 0,0207 0,0202 0,0197 0,0192 0,0188 0,0183
2,1 0,0179 0,0174 0,0170 0,0166 0,0162 0,0158 0,0154 0,0150 0,0146 0,0143
2,2 0,0139 0,0136 0,0132 0,0129 0,0125 0,0122 0,0119 0,0116 0,0113 0,0110
2,3 0,0107 0,0104 0,0102 0,0099 0,0096 0,0094 0,0091 0,0089 0,0087 0,0084
2,4 0,0082 0,0080 0,0078 0,0075 0,0073 0,0071 0,0069 0,0068 0,0066 0,0064
2,5 0,0062 0,0060 0,0059 0,0057 0,0055 0,0054 0,0052 0,0051 0,0049 0,0048
2,6 0,0047 0,0045 0,0044 0,0043 0,0041 0,0040 0,0039 0,0038 0,0037 0,0036
2,7 0,0035 0,0034 0,0033 0,0032 0,0031 0,0030 0,0029 0,0028 0,0027 0,0026
2,8 0,0026 0,0025 0,0024 0,0023 0,0023 0,0022 0,0021 0,0021 0,0020 0,0019
2,9 0,0019 0,0018 0,0018 0,0017 0,0016 0,0016 0,0015 0,0015 0,0014 0,0014
3,0 0,0013 0,0013 0,0013 0,0012 0,0012 0,0011 0,0011 0,0011 0,0010 0,0010
3,1 0,0010 0,0009 0,0009 0,0009 0,0008 0,0008 0,0008 0,0008 0,0007 0,0007
3,2 0,0007 0,0007 0,0006 0,0006 0,0006 0,0006 0,0006 0,0005 0,0005 0,0005
3,3 0,0005 0,0005 0,0005 0,0004 0,0004 0,0004 0,0004 0,0004 0,0004 0,0003
3,4 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0003 0,0002
3,5 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002 0,0002
3,6 0,0002 0,0002 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
3,7 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
3,8 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001 0,0001
3,9 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
64
Exemplos
x
200 200
Z=0
Z
20
x
225 200
Z = 1,25
Z
20
Utiliza-se a Tabela 2.1, pois esta apresenta os valores desse tipo de probabilidade, ou
seja, P(0 Z z c ) .
Na tabela acha-se o valor de Z da seguinte forma: Os dgitos antes da vrgula e o
primeiro aps a mesma, devero ser procurados na primeira coluna da esquerda. J, o
segundo dgito aps a vrgula dever ser procurado na linha superior da tabela.
No exemplo foi achado Z = 1,25, ento procura-se 1,2 na primeira coluna da esquerda
e 5 na linha superior da tabela. O valor da probabilidade que se quer achar, est exatamente
no cruzamento da linha que em que ocorre 1,2 com a coluna onde se tem o nmero 5, como
mostra o esquema abaixo.
65
Figura 2.4 rea sob a curva normal equivalente probabilidade da taxa de colesterol ser
maior ou igual a 200 e menor ou igual a 225mg/100ml de plasma.
x
225 200
Z = 1,25
Z
20
66
Figura 2.5 rea sob a curva normal equivalente Probabilidade da taxa de colesterol ser
maior do que 225mg/100ml de plasma.
x
175 200
Z = -1,25.
Z
20
x
225 200
Z = 1,25
Z
20
Figura 2.6 Representao da rea sob a curva normal com a varivel aleatria Z variando de
1,25 a 1,25 (a), de -1,25 a 0 (b) e de 0 a 1,25 (c) e.
67
Percebe-se facilmente que a juno ou soma das reas sombradas dos grficos b e
c, resulta na rea sombrada do grfico a, portanto,
P (-1,25 Z 1,25) = P (-1,25 Z 0) + P (0 Z 1,25)
A Tabela 2.1 d os valores de P (-1,25 Z 0) e P (0 Z 1,25) de acordo com o esquema a
seguir:
Logo,
P (-1,25 Z 1,25) = P (-1,25 Z 0) + P (0 Z 1,25)
Assim,
P (175 X 225) = P (-1,25 Z 1,25) = 0,7888
Figura 2.7 rea sob a curva normal referente probabilidade da taxa de colesterol ser maior
ou igual a 175 e menor ou igual a 225mg/100ml de plasma.
68
x
175 200
Z = -1,25,
Z
20
logo,
P (X > 175) = P (Z > 1,25)
Figura 2.8 Representao da rea sob a curva normal total (a), de Z -1,25 (b) e de Z >
1,25 (c).
Observa-se que subtraindo a rea sombreada do grfico b da rea total sob a curva
normal do grfico a, obtm-se a rea sombreada do grfico c. Assim,
P(X > 175) = P(Z > 1,25) = 1 P(Z 1,25)
69
Agora, a probabilidade procurada P(Z <-1,25), ou seja, do tipo P(Z <-zc). A Tabela 2.2
fornece esse tipo de probabilidade diretamente. No corpo dessa tabela ocorre o valor 0,1056
para Z = 1,25 como mostra o esquema a seguir:
Dessa forma,
P (X > 175) = P (Z > 1,25) = 1 P(Z 1,25) = 1 - 0,1056 = 0,8944
Conclui-se, portanto, que a probabilidade de que um parafuso escolhido aleatoriamente
apresente mais do que 175mm de comprimento, 0.8944 ou 89,44%.
Figura 2.9 rea sob a curva normal referente probabilidade da taxa de colesterol ser maior
do que 175 mg por 100ml de plasma.
70
b) com mais de 700 horas? Resposta: 1866 lmpadas
c) entre 7000 e 1300 horas? Resposta: 1733 lmpadas
02. A resistncia compresso de amostras de cimento pode ser modelada por uma
2
distribuio normal, com mdia de 6000 kg/cm e um desvio padro de 100 kg/cm . Um corpo
de prova coletado aleatoriamente. Qual a probabilidade de que sua resistncia
compresso seja:
a) menor que 6250 kg/cm2? Resposta: 0,9938
b) maior ou igual a 5800 kg/cm 2 e menor ou igual a 6250 kg/cm2? Resposta: 0,1359
05. A vida til de um semicondutor a uma potncia constante normalmente distribuda, com
mdia de 7000 horas e desvio padro de 600 horas. Qual a probabilidade de um
semicondutor falhar antes de 500 horas de uso? Resposta: 0,0,0004
extremamente laborioso, onde a varivel aleatria pode assumir muitos valores Por exemplo,
considere n = 135 e p = 0,6. Qual a probabilidade de que X 98, por exemplo? Por esta
determinao ter-se-ia que calcular as probabilidades de que X = 98, X = 99, . . , X = 135, pela
frmula da binomial P[X = x] = Cn,x . px .q(n-x) para depois som-las, ou seja,
P[X 98] = C135, 98 0,6 .0,4 + C135, 99 0,6 .0,4 + . . . + C135, 135 0,6
98
37
99
36
135
.0,4
71
Isto seria laborioso, pois teriam que ser calculadas 38 probabilidades.
Considere que a varivel aleatria X possa, apesar de ser discreta, ser razoavelmente
bem descrita por uma distribuio normal com mdia
= np
e desvio padro
=
npq .
x np
npq
( x 0,5) np
npq
72
Probabilidade
Correo de continuidade
Menos de x
x - 0,5
Pelo menos x
x - 0,5
No mximo x
x + 0,5
Mais de x
x +0,5
Exatamente x
x - 0,5 e x +0,5
Probabilidade
Correo de continuidade
Menos de 64
64 -0,5 = 63,5
Pelo menos 64
64 - 0,5 = 63,5
No mximo 64
64 + 0,5 = 64,5
Mais de 64
64 + 0,5 = 64,5
Exatamente 64
63,5 e 64,5
Exemplos:
( 1 ) Foi realizada uma pesquisa de opinio pblica junto a uma comunidade com relao
ampliao de um hospital particular, mesmo que essa ampliao pudesse ter consequncias tal
como o aumento de leitos vazios na maior parte do tempo. A porcentagem de adultos dessa
comunidade a favor da ampliao do hospital foi de apenas 5%. Qual a probabilidade de que,
em 180, o nmero de pessoas favorveis ampliao seja
a) menos de 9
b) pelo menos 9
c) exatamente 9
Soluo:
n = 180,
a) P (X < 9)?
73
( x 0,5) np
npq
(9 0,5) 9
0,17
2,9240
Assim, a probabilidade procurada P(X < 9) = P(Z < -0,17), ou seja, do tipo P(Z < -zc).
A tabela 4.2, d esse tipo de probabilidade. No corpo dessa tabela ocorre o valor 0,4325 para Z
= -0,17 como mostra o esquema a seguir:
Dessa forma,
P (X < 9) = P (Z < -0,17) = 0,4325
( x 0,5) np
npq
(9 0,5) 9
0,17
2,9240
Assim, a probabilidade a ser calculada P(X 9) = P(Z -0,17). As tabelas 4.1 e 4.2
no apresentam esta probabilidade diretamente. Porm, se o leitor lembrar que em (a) se
achou
P (X < 9) = P (Z <
0,17) = 0,4325
e que a rea mxima sob a curva normal igual a 1 ou 100%, tem-se que
0,4325 = 0,5675
74
c) P(X = 9)?
( x 0,5) np
(9 0,5) 9
0,17
2,9240
(9 0,5) 9
0,17
2,9240
npq
( x 0,5) np
npq
tem-se
P(-0,17 Z 0,17) = P (0 Z
0,17) + P (0 Z 0,17)
( 2 ) Um sistema formado por 100 componentes, cada um dos quais com confiabilidade de
0,95 (probabilidade de funcionamento do componente durante um certo perodo de tempo). Se
esses componentes funcionam independentemente um do outro e se o sistema completo
funciona adequadamente quando pelo menos 80 componentes funcionam, qual a
confiabilidade do sistema?
Soluo:
75
A confiabilidade do sistema ser dada pela probabilidade de que funcionem pelo menos 80
componentes , ou seja,
P( X 80) P(80 x 100)
Se fossemos calcular tal probabilidade, utilizando a distribuio binomial, seria muito laborioso.
4,75 2,18
x 80 95
7,11 e
2,18
x 100 95
2,52
2,18
01 Cerca de 4,4% dos acidentes fatais com automveis so causados por pneus defeituosos
(com base em dados do National Safety Coincil Conselho Nacional de Segurana dos EUA).
Se um estudo de segurana em uma rodovia comea com a escolha aleatria de 750 casos de
acidentes fatais com veculos motorizados, utilizando a Aproximao normal distribuio
binomial estime a probabilidade de:
a) exatamente 35 deles terem sido causados por pneus defeituosos? R: 0,0672
b) menos de 35 deles terem sido causados por pneus defeituosos? R: 0,6037
c) pelo menos 35 deles terem sido causados por pneus defeituosos? R: 0,3936
d) no mximo 35 deles terem sido causados por pneus defeituosos? R: 0,6736
e) mais de 35 deles terem sido causados por pneus defeituosos? R: 0,3264
76
a) igual ou inferior a 15? R: 0,8708
b) no mnimo 15? R: 0,0838